Cluster-Analysen sind ein statistisches Verfahren zur Ermittlung und Gruppierung ähnlicher Datenpunkte, während gleichzeitig Unterschiede zwischen den Gruppen hervorgehoben werden.

Stellt euch einen Bekleidungseinzelhändler vor, der die Kundschaft basierend auf Kaufgewohnheiten in regelmäßige, saisonale und erstmalige Käuferinnen und Käufer gruppiert. Mit Cluster-Analysen können Unternehmen solche Gruppen identifizieren und Marketing-Strategien zuschneiden, von zielgerichteten Anzeigen bis zu personalisierten Angeboten.

Im Marketing besteht das Ziel von Cluster-Analysen darin, Verbraucherinnen und Verbraucher in verschiedene Gruppen mit ähnlichen Eigenschaften zu segmentieren, damit Unternehmen ihre Zielgruppe besser verstehen und Marketing-Strategien entsprechend anpassen können.

Inhalt:

• Was sind Cluster-Analysen und wie funktionieren sie?
• Welchen Zweck hat Clustering von Datensätzen?
• Warum sind Cluster-Analysen wichtig für die Unternehmensstrategie?
• Welche Arten von Clustering gibt es und wann werden sie eingesetzt?
• Was zeichnet gute Cluster-Analysen aus?
• Welche Nachteile haben Cluster-Analysen und wie können Unternehmen Probleme vermeiden?
• Wie werden Cluster-Analysen durchgeführt?
• Was könnt ihr mit den Ergebnissen von Cluster-Analysen tun?
• So stellt ihr genaue und verwertbare Cluster-Ergebnisse sicher
• Erste praktische Schritte mit Cluster-Analysen

Was sind Cluster-Analysen und wie funktionieren sie?

Cluster-Analysen sind eine Art unbeaufsichtigte Klassifizierung, das heißt, es gibt keine vorab festgelegten Klassen, Definitionen oder Erwartungen. Es handelt sich um eine statistische Data-Mining-Technik, mit der Beobachtungen in einem Cluster zusammengefasst werden, die einander ähnlich sind, sich aber von anderen Beobachtungen unterscheiden.

Eine Person, die die Schokolade aus einer gemischten Probierpackung sortiert, ist ein schönes Bild für Clustering. Vielleicht mag die Person bestimmte Arten von Schokolade besonders gerne.

Beim Durchsehen der Packung gibt es verschiedene Möglichkeiten, die Schokolade zu gruppieren. Beispielweise sind Gruppen wie Milchschokolade oder dunkle Schokolade, mit oder ohne Nüsse, mit oder ohne Nougat usw. möglich.

Der Vorgang, diese Süßigkeiten basierend auf bestimmten Eigenschaften in Gruppen zu unterteilen, heißt Clustering. Wir tun das regelmäßig.

Eine E-Commerce-Plattform kann Kundinnen und Kunden beispielsweise nach folgenden Kaufgewohnheiten gruppieren: budgetbewusste Käuferinnen und Käufer, Käuferinnen und Käufer von Premiumprodukten und Gelegenheitskäuferinnen und -käufer. Durch diese Segmentierung kann die Plattform maßgeschneiderte Promotions für jede Gruppe erstellen und so die Interaktionen und den Umsatz erhöhen.

Cluster-Analysen verstehen.

Cluster-Analysen spielen bei Datenanalysen eine wichtige Rolle. Kein Wunder, dass sie in Branchen wie Finanzdienstleistungen, Versicherungen, Einzelhandel und im E-Commerce und Marketing genutzt werden, um Muster und Beziehungen in Daten zu ermitteln.

Es gibt fünf wichtige Clustering-Ansätze. Die häufigsten sind k-Means-Clustering und hierarchisches Clustering (auch Hierarchie-Clustering). Der Clustering-Ansatz, für den sich ein Unternehmen entscheidet, hängt davon ab, was analysiert wird und warum. Mit Visualisierungstechniken wie Punktwolken und Dendrogrammen können Unternehmen Ergebnisse von Cluster-Analysen bequem auf klare und verständliche Weise präsentieren.

Welchen Zweck hat Clustering von Datensätzen?

Der allgemeine Zweck von Cluster-Analysen im Marketing besteht in der Erstellung von Gruppen bzw. Clustern, deren Mitglieder sich hinsichtlich der gemachten Beobachtungen so wenig wie möglich unterscheiden.

Am Ende hängt der Zweck immer vom jeweiligen Use Case ab. Im Marketing können Marketing-Fachleute mit Clustering bestimmte Kundengruppen aus dem Kundenstamm identifizieren. Mit diesem Wissen können sie dann zielgerichtete Marketing-Kampagnen entwickeln.

So kann ein Versicherungsunternehmen mit Clustering beispielsweise Personen mit Kraftfahrzeugversicherungen ermitteln, die hohe Schadensansprüche verursachen.

Der Zweck beim Clustering hängt davon ab, wie ein Unternehmen es einsetzen möchte, was stark von der Branche, dem Geschäftsbereich und den Zielen des Unternehmens abhängt.

Warum sind Cluster-Analysen wichtig für die Unternehmensstrategie?

Cluster-Analysen können Unternehmen viele Vorteile bringen, zum Beispiel bei der Vermarktung ihrer Produkte.

Sie können beeinflussen, an wen die Produkte vermarktet werden, welche Bindungs- und Vertriebsstrategien zum Einsatz kommen und wie potenzielle Kundschaft bewertet wird.

So können aktuelle Kundinnen und Kunden in Cluster zusammengefasst werden, um ihren Lebenszeitwert relativ zu ihrer Abwanderungstendenz zu bestimmen. Daraus wird dann abgeleitet, wie die Kommunikation mit unterschiedlichen Kundengruppen aussehen sollte und wie neue hochwertige Kundschaft identifiziert wird.

Welche Arten von Clustering gibt es und wann werden sie eingesetzt?

Es gibt fünf verschiedene wichtige Clustering-Algorithmen:

• Partitionierungsalgorithmen
• Hierarchische Algorithmen
• Dichtebasierte Algorithmen
• Gitterbasierte Algorithmen
• Modellbasierte Algorithmen

Was zeichnet gute Cluster-Analysen aus?

Eine gute Cluster-Analyse gruppiert Daten auf eine nützliche und verwertbare Art. Sie erkennt reale Muster in den Daten und stellt so Erkenntnisse für fundierte Entscheidungen bereit. Eine schlechte Cluster-Analyse dagegen resultiert in irreführenden oder beliebigen Gruppen, die weder ein Problem lösen können, noch einen Mehrwert haben.

Folgende Merkmale zeichnen gute Cluster-Analysen aus:

• Praktischer Nutzen: Die Cluster bilden relevante Unterschiede bei Verhalten, Präferenzen oder Eigenschaften ab, aus denen sich Aktionen ableiten lassen.
• Klare Trennung der Gruppen: Jeder Cluster ist verschiedenartig und lässt sich einfach interpretieren und anwenden.
• Konsistenz: Dieselben Eingabedaten sollten jedes Mal zu ähnlichen Clustern führen.
• Skalierbarkeit: Auch mit zunehmender Größe des Datensatzes bleibt die Cluster-Analyse effizient.
• Verwertbare Erkenntnisse: Die Cluster geben eine klare Richtung für Marketing, Produktentwicklung oder Operations vor.

Angenommen, ihr segmentiert B2B-Kundschaft nach ihren Kaufgewohnheiten. Ein gutes Clustering-Modell führt zu folgenden Gruppen:

• Personen mit hohem Kaufvolumen: Benötigen Mengenrabatte und bevorzugten Service.
• Saisonal einkaufende Personen: Reagieren gut auf zeitlich begrenzte Promotions.
• Selten einkaufende Personen: Benötigen vielleicht mehr Nurturing und Schulung.

Jede Gruppe kann mit einer bestimmten Marketing-Strategie angesprochen werden, um Conversions und Kundenzufriedenheit zu erhöhen.

Dagegen führen schlechte Cluster-Analysen zu Folgendem:

• Beliebige Cluster: Die Gruppen repräsentieren keine relevanten Muster.
• Schlechte Trennung: Verschiedene Cluster überschneiden sich zu sehr, als dass sie einen Nutzen hätten.
• Überanpassung: Das Modell erzwingt Muster, wo keine existieren.
• Inkonsistente Ergebnisse: Dieselbe Analyse ergibt bei mehrfacher Ausführung unterschiedliche Cluster.
• Keine geschäftliche Anwendung: Die Cluster können keine einzige relevante Frage beantworten.

Angenommen, ein Marketing-Team erstellt Kunden-Cluster basierend auf der Anzahl der Vokale in ihren Firmennamen. Diese Gruppierung ist zwar mathematisch möglich, hat aber keinerlei geschäftlichen Nutzen – sie antizipiert weder Verhalten, noch Präferenzen oder Nachfrage. Das Ergebnis? Eine nutzlose Segmentierung, die Zeit und Ressourcen vergeudet.

Welche Nachteile haben Cluster-Analysen und wie können Unternehmen Probleme vermeiden?

Die Tücken beim Clustering lassen sich wie folgt umgehen:

• Ergebnisse validieren: Vergleicht die Cluster mit realen Daten und stellt sicher, dass sie praktischen Sinn ergeben.
• Verschiedene Algorithmen testen: Experimentiert mit verschiedenen Clustering-Methoden und findet die für eure Daten passendste.
• Regelmäßige Aktualisierungen durchführen: Aktualisiert parallel zur Entwicklung der Daten regelmäßig die Cluster-Analysen, um die Genauigkeit zu wahren.
• Expertenwissen nutzen: Arbeitet mit sachverständigen Personen zusammen, um die Relevanz und Verwertbarkeit der Cluster sicherzustellen.

Wie werden Cluster-Analysen durchgeführt?

Schritt 1: Wählt die Analysemethode aus.

Der erste Schritt der Cluster-Analyse besteht in der Regel aus der Auswahl der Analysemethode, die vom Umfang der Daten und den Variablenarten abhängt.

Hierarchisches Clustering ist beispielsweise für kleine Datensätze geeignet, während k-Means-Clustering eher passend für mäßig große Datensätze ist, wenn die Anzahl der Cluster im Voraus bekannt ist.

Große Datensätze erfordern häufig eine Mischung verschiedener Arten von Variablen und benötigen im Allgemeinen ein Verfahren in zwei Schritten.

Schritt 2: Legt die Anzahl der Fälle fest.

Nach der Auswahl der Analysemethode startet ihr den Prozess, indem ihr die Anzahl der Fälle zur Unterteilung in homogene Gruppen oder Cluster wählt. Diese Fälle (oder Beobachtungen) können beliebige Elemente sein, die ihr analysieren möchtet, ob Thema, Person oder Objekt.

Schritt 3: Wählt die Variablen für die Analyse aus.

Als Nächstes wählt ihr die einzuschließenden Variablen. Dies können 1.000 Variablen oder sogar 10.000 oder 25.000 sein. Die Anzahl und Art der gewählten Variablen entscheidet darüber, welche Art von Algorithmus verwendet werden sollte.

Schritt 4: Trefft eine Entscheidung zur Variablenstandardisierung.

Entscheidet anschließend, ob die Variablen in irgendeiner Form standardisiert werden sollen, damit sich jede Variable im selben Umfang auf die Distanz oder Ähnlichkeit zwischen den Fällen auswirkt. Die Analyse kann allerdings sowohl mit standardisierten als auch nicht standardisierten Variablen durchgeführt werden.

Schritt 5: Wendet den gewählten Algorithmus an.

Jede Analysemethode folgt einem anderen Ansatz.

• Beim k-Means-Clustering wählt ihr die Anzahl der Cluster aus, dann schätzt der Algorithmus iterativ die Cluster-Schwerpunkte und weist jeden Fall dem Cluster zu, bei dem die Distanz zum Cluster-Schwerpunkt am geringsten ist.
• Beim hierarchischen Clustering wählt ihre eine Statistik, mit der quantifiziert wird, wie unterschiedlich oder ähnlich zwei Fälle sind.

Schritt 6: Legt die Anzahl der Cluster endgültig fest.

Schließlich wählt der Algorithmus eine Methode zur Bildung der Gruppen aus und bestimmt, wie viele Cluster zur Abbildung der Daten benötigt werden. Der Algorithmus prüft, wie ähnlich die Cluster einander sind, und teilt sie entsprechend auf.

Was könnt ihr mit den Ergebnissen von Cluster-Analysen tun?

Für jede Clustering-Methode gibt es normalerweise eine zugehörige Visualisierung. Diese sind weit verbreitet bei der Untersuchung der Ergebnisse. Bei k-Means wird die Distanz zwischen den Beobachtungsgruppen meist mit x- und y-Achsen dargestellt.

Mit dieser Art von Visualisierung werden diese Gruppierungen sehr klar erkennbar. Beim hierarchischen Clustering wird eine Visualisierung namens Dendrogramm verwendet, in dem die Teilmengen in einer Baumstruktur abgebildet werden.

So stellt ihr sicher, dass eure Cluster-Analyse korrekt ist.

Bewertet zunächst die Cluster-Tendenz. Bevor ihr einen Clustering-Algorithmus anwendet, müsst ihr unbedingt verifizieren, ob euer Datensatz überhaupt das Potenzial zur Bildung sinnvoller Cluster hat oder völlig zufällig verteilt ist.

Eine gängige Methode für diese Untersuchung ist die Hopkins-Statistik, mit der ihr messen könnt, wie wahrscheinlich eure Daten gleichmäßig verteilt sind. Ein Wert nahe 0 deutet auf eine hohe Cluster-Tendenz der Daten hin, ein Wert von etwa 0,5 steht für Wahllosigkeit.

Auch grafische Tools wie VAT (Visual Assessment of Cluster Tendency) sind hilfreich und sortieren die Distanzmatrix neu, damit potenzielle Cluster sichtbar hervorgehoben werden. Wenn diese Tests ergeben, dass eure Daten in natürliche Gruppen unterteilt werden können, könnt ihr mit dem Clustering fortfahren. Anderenfalls führt Clustering wahrscheinlich nicht zu nützlichen Erkenntnissen.

Ermittelt als Nächstes die optimale Cluster-Anzahl. Die Auswahl der richtigen Anzahl von Clustern (k) ist entscheidend, da zu wenige Cluster die Daten zu stark vereinfachen, während zu viele Cluster zu Überanpassung führen können.

Die Ellenbogen-Methode ist hier ein beliebter Ansatz: Ihr tragt die Summe der quadrierten Distanzen im Cluster gegen die Anzahl der Cluster auf und sucht nach einem Punkt, an dem die Cluster-Performance sich abzuflachen beginnt – dem „Ellenbogen“. Eine andere nützliche Metrik ist der Silhouettenkoeffizient, mit dem untersucht wird, wie gut jeder Datenpunkt in seinen Cluster relativ zu anderen Clustern passt. Je höher der Silhouettenkoeffizient, desto eindeutiger und besser getrennt sind die Cluster.

Auch die Gap-Statistik ist nützlich. Sie vergleicht die beobachtete Streuung im Cluster mit der erwarteten Streuung bei einer Nullverteilung. So wird sichtbar, wo die Lücke am größten ist, was bei der Bestimmung des optimalen k hilfreich ist.

Wertet schließlich die Cluster-Qualität aus. Sobald die Cluster eingerichtet sind, müsst ihr verifizieren, ob sie intern kohärent und nach außen abgegrenzt sind.

Hierfür wird häufig der Silhouettenkoeffizient genutzt, der Werte von -1 bis 1 annehmen kann. Je näher der Wert an 1 ist, desto besser definiert sind die Cluster. Der Dunn-Index berechnet das Verhältnis der kleinsten Distanz zwischen Beobachtungen in verschiedenen Clustern (Inter-Cluster-Distanz) und der größten Distanz innerhalb eines Clusters (Intra-Cluster-Distanz). Höhere Dunn-Indizes bedeuten eine höhere Cluster-Qualität. Der Davies-Bouldin-Index dagegen misst die durchschnittliche Ähnlichkeit zwischen einem Cluster und dem ihm ähnlichsten Cluster. Hier bedeuten niedrigere Werte eine höhere Cluster-Qualität.

Zusammengefasst erfolgt die Gewährleistung einer korrekten Cluster-Analyse in drei Schritten:

1. Cluster-Tendenz bewerten: Ermittelt mit statistischen Tests wie der Hopkins-Statistik und den Visualisierungs-Tools wie VAT, ob eure Daten auf natürliche Art Cluster bilden.
2. Optimale Cluster-Anzahl bestimmen: Ermittelt die richtige Anzahl von Clustern (k) mit Methoden wie der Ellenbogen-Methode, dem Silhouettenkoeffizienten und der Gap-Statistik, um zu starke Vereinfachung oder Überanpassung zu vermeiden.
3. Clustering-Qualität bewerten: Verifiziert mit Metriken wie dem Silhouettenkoeffizienten, dem Dunn-Index und dem Davies-Bouldin-Index, dass eure Cluster kompakt und klar voneinander getrennt sind.

Erste Schritte mit Cluster-Analysen.

Der Hauptvorteil von Cluster-Analysen besteht darin, dass Unternehmen damit Muster und Beziehungen in Daten erkennen können. So können sie anhand von Echtzeit-Erkenntnissen fundierte Entscheidungen treffen und geeignete Maßnahmen ergreifen.

Wenn ihr bereit für eure ersten Schritte mit Cluster-Analysen seid, solltet ihr euch zunächst ein bewährtes Softwaretool suchen, das euch bei der effektiven Analyse und Interpretation von Daten unterstützen kann.

Adobe Analytics verwandelt Echtzeit-Daten in Echtzeit-Erkenntnisse. Dabei ist Adobe Analytics nicht nur eine Web-Analyselösung, sondern erfasst Daten außerdem von jedem Punkt in der Customer Journey und gewinnt daraus Erkenntnisse, die sich in optimale Maßnahmen umsetzen lassen. Adobe Analytics nutzt künstliche Intelligenz (KI), um anhand aller eurer Daten prädiktive Erkenntnisse zu gewinnen, damit Anwenderinnen und Anwender Daten in Echtzeit anzeigen und bearbeiten können.

Fordert eine Demo an oder seht euch das Übersichtsvideo an, um mehr über Adobe Analytics zu erfahren.

https://business.adobe.com/fragments/resources/cards/thank-you-collections/analytics